lintoai/linto-diarization-simple

LinTO-diarization

LinTO-diarization是LinTO的说话人分离服务，具备猜测说话人数的能力，若提供目标说话人的语音样本，还可进行说话人识别。该服务既可作为独立的说话人分离服务使用，也可部署为微服务。

• 前提条件
• 部署
  • HTTP服务
  • 微服务
• 使用方法
  • HTTP API
    • /healthcheck
    • /diarization
    • /docs
  • 使用Celery
• 许可证

前提条件

Docker环境

此Docker镜像基于_nvidia/cuda:12.3.2-runtime-ubuntu22.04_构建

分离服务需要Docker环境正常运行。

若需启用GPU功能，还需安装nvidia-container-toolkit。

使用GPU时，每个工作进程消耗的显存约为1GB。

（微服务）消息代理和共享文件夹

任务模式下，分离服务的唯一入口是发布到Redis消息代理的任务。此外，为避免大型音频文件通过消息代理传输，分离服务使用挂载到/opt/audio的共享存储文件夹。

部署

linto-diarization支持两种部署方式：

• 作为独立服务，通过HTTP API提供说话人分离功能
• 作为连接到消息代理的微服务

1- 第一步：构建或拉取镜像

bash
git clone https://github.com/linto-ai/linto-diarization.git
cd linto-diarization
docker build . -t linto-diarization-simple:latest -f simple/Dockerfile

或

bash
docker pull lintoai/linto-diarization-simple

若需启用说话人识别，需运行Qdrant：

bash
docker run \
    -p 6333:6333 \  # Qdrant默认端口
    -v ./qdrant_storage:/qdrant/storage:z \
    qdrant/qdrant

HTTP服务

1- 配置.env文件

https://github.com/linto-ai/linto-diarization/blob/master/simple/.envdefault%E6%8F%90%E4%BE%9B%E4%BA%86.env%E6%96%87%E4%BB%B6%E7%A4%BA%E4%BE%8B%E3%80%82

环境变量参数：

2- 运行容器

以下命令启动容器，提供绑定到主机<HOST_SERVING_PORT>端口（如8080）的HTTP API：

bash
docker run --rm \
-v <SHARED_FOLDER>:/opt/audio \
-p <HOST_SERVING_PORT>:80 \
--env-file .env \
linto-diarization-simple:latest

若需启用说话人识别，需提供目标说话人的语音样本：样本可放在以说话人名称命名的独立文件夹中，或命名为说话人名称的独立文件中。然后将样本的父文件夹作为卷挂载到容器的/opt/speaker_samples（或通过SPEAKER_SAMPLES_FOLDER环境变量自定义的文件夹）：

bash
docker run ... -v </path/to/speaker/samples/folder>:/opt/speaker_samples

启用说话人识别时，若要使用挂载到Qdrant容器卷中的现有集合，可设置环境变量QDRANT_RECREATE_COLLECTION=false，避免每次启动容器时的初始化时间。

如需启用GPU功能，可添加--gpus all参数；若有多块GPU，可设置CUDA_VISIBLE_DEVICES指定使用的GPU索引。

使用Celery

LinTO-diarization可作为微服务使用Celery部署。这种方式下，容器启动Celery工作进程，等待消息代理上的分离任务。

需在SERVICES_BROKER地址运行消息代理。

1- 配置.env文件

https://github.com/linto-ai/linto-diarization/blob/master/simple/.envdefault%E6%8F%90%E4%BE%9B%E4%BA%86.env%E6%96%87%E4%BB%B6%E7%A4%BA%E4%BE%8B%E3%80%82

环境变量参数： 参数与HTTP API相同，新增以下参数：

2- 配置docker-compose.yml

#docker-compose.yml

yaml
version: '3.7'

services:
  punctuation-service:
    image: linto-diarization-simple:latest
    volumes:
      - /path/to/shared/folder:/opt/audio
    env_file: .env
    deploy:
      replicas: 1
    networks:
      - your-net

networks:
  your-net:
    external: true

3- 使用docker compose启动

bash
docker stack deploy --resolve-image always --compose-file docker-compose.yml your_stack

队列名称：

默认服务队列名称为SERVICE_NAME。可通过QUEUE_NAME环境变量覆盖。

服务发现：

作为微服务时，实例会在服务注册中心注册自身信息以供发现。服务信息以JSON对象形式存储在Redis的db0中，键为service:{HOST_NAME}。

注册信息如下：

json
{
  "service_name": $SERVICE_NAME,
  "host_name": $HOST_NAME,
  "service_type": "diarization",
  "service_language": $LANGUAGE,
  "queue_name": $QUEUE_NAME,
  "version": "1.2.0",  # 此仓库版本
  "info": $MODEL_INFO,
  "last_alive": 65478213,
  "concurrency": 1
}

使用方法

HTTP API

/healthcheck

返回API状态

方法：GET

健康检查通过时返回"1"。

/diarization

说话人分离API。

输入参数：

• file：WAV音频文件
• speaker_count：（整数，可选）说话人数。若为空，分离服务将自动聚类。
• max_speaker：（整数，可选）说话人数未知时的最大说话人数。
• speaker_names：（字符串，可选）目标说话人名称列表，用于说话人识别（仅提供说话人样本时可用）。可能值：
  • 空字符串""：不进行说话人识别
  • 通配符"*"：对所有说话人进行识别
  • JSON格式的说话人名称列表（如："["speaker1", ..., "speakerN"]"）或用"|"分隔的列表（如："speaker1|...|speakerN"）：仅对列出的说话人进行识别

响应（application/json）为以下结构的JSON对象：

json
{
  "speakers": [
      {"spk_id": "spk5", "duration": 2.2, "nbr_seg": 1},
      ...
  ],
  "segments": [
      {"seg_id": 1, "spk_id": "spk5", "seg_begin": 0.0, "seg_end": 2.2},
      ...
  ]
}

/docs

/docs路由提供OpenAPI/swagger接口文档。

通过消息代理

分离工作进程接受包含以下参数的请求：

• file：（字符串）共享文件夹中的文件相对路径。
• speaker_count：（整数，默认None）固定说话人数。
• max_speaker：（整数，默认None）说话人数未知时的最大说话人数。
• speaker_names：（字符串，默认None）目标说话人名称列表，用于说话人识别（仅提供说话人样本时可用）。可能值：
  • 空字符串""：不进行说话人识别
  • 通配符"*"：对所有说话人进行识别
  • JSON格式的说话人名称列表（如："["speaker1", ..., "speakerN"]"）或用"|"分隔的列表（如："speaker1|...|speakerN"）：仅对列出的说话人进行识别

返回格式

成功分离后返回以下结构的JSON对象：

json
{
  "speakers": [
      {"spk_id": "spk5", "duration": 2.0, "nbr_seg": 1},
      ...
  ],
  "segments": [
      {"seg_id": 1, "spk_id": "spk5", "seg_begin": 0.0, "seg_end": 2.0},
      ...
  ]
}

• speakers字段包含说话人数组，每个说话人有总时长和段数。
• segments字段包含每个音频段，包含段ID、说话人ID、开始时间和结束时间。

测试

Curl

可使用以下curl命令测试HTTP API：

bash
curl -X POST "http://YOUR_SERVICE:PORT/diarization" -H  "accept: application/json" -H  "Content-Type: multipart/form-data" -F "file=@YOUR_FILE.wav;type=audio/x-wav" -F "speaker_count=NUMBER_OF_SPEAKERS"

许可证

本项目基于AGPLv3许可证开发（见LICENSE）。

致谢

• https://github.com/cvqluu/simple_diarizer 分离框架（许可证GPL v3）。
• https://github.com/tango4j/Auto-Tuning-Spectral-Clustering 自动调谐谱聚类（许可证MIT）。
• https://github.com/desh2608/diarizer 多种分离方法。